Những Tiến Bộ Trong Tự Động Hóa Ngành Gia Cầm

Bài viết này tóm tắt những tiến bộ công nghệ trong ngành sản xuất gia cầm, dựa trên ba bài thuyết trình tại Diễn đàn Khoa học Gia cầm Quốc tế 2025. Những công nghệ này không chỉ cải thiện các thông số sản xuất mà còn tối ưu hóa quy trình chăn nuôi gia cầm.

1. Nâng cao khả năng phát hiện tử vong ở gà thịt

Tanner Thornton và các đồng nghiệp tại Đại học Tennessee, Mỹ, đã tiến hành nghiên cứu về hiệu suất của hệ thống nhận diện tử vong bằng robot lắp trên đường ray trong một trang trại gà thịt thương mại. Mục tiêu của nghiên cứu này là giải quyết quy trình tốn nhiều công sức khi phải xác định tử vong một cách thủ công trong các chuồng nuôi gà.

Hệ thống robot sử dụng công nghệ thị giác máy tính để tự động phát hiện tử vong. Thí nghiệm được thiết kế theo kiểu khối hoàn chỉnh ngẫu nhiên, với các ô chuồng được đặt chiến lược dưới đường ray, giữa các dòng thức ăn và nước uống, cũng như gần các bức tường bên. Tỷ lệ phát hiện tử vong được đánh giá cả trong các ô chuồng và ở các khu vực mở ngoài chúng.

Kết quả cho thấy robot đạt tỷ lệ phát hiện tử vong cao hơn đáng kể (57%) so với việc phát hiện tử vong không có ô chuồng (19%). Camera dưới đáy cho thấy độ chính xác phát hiện cao hơn (42,3%) so với camera bên (20,0%).

Tuy nhiên, một số thách thức như sự che khuất do gà sống, cơ sở hạ tầng của chuồng nuôi (dòng thức ăn và nước uống), và sự biến đổi về ánh sáng đã hạn chế hiệu suất của hệ thống. Điều này chỉ ra rằng cần có những điều chỉnh về vị trí camera, ánh sáng, và phần mềm để cải thiện hiệu suất trong điều kiện thương mại.

2. Phát hiện phôi chết sớm

Alin Khaliduzzaman và các đồng nghiệp tại Đại học Illinois, Mỹ, đã nghiên cứu ứng dụng hệ thống hình ảnh siêu phổ (hyperspectral imaging) để phát hiện và loại bỏ phôi gà chết sớm trong quá trình ấp trứng. Khoảng 5-10% phôi chết do sốc nhiệt và xử lý không đúng cách trong giai đoạn ấp trứng đầu tiên.

Phương pháp không phá hủy và theo thời gian thực này sử dụng hình ảnh siêu phổ kết hợp với phân tích phân biệt để phân loại phôi sống và chết. Một camera siêu phổ (400-1000 nanomet) đã được sử dụng để thu thập thông tin không gian và phổ về trứng trong ngày thứ tư. Hơn 100 quả trứng được ấp ở nhiệt độ 99°F và độ ẩm 60%. Tốc độ quét là 0,06 cm mỗi giây với tốc độ khung hình 9,9 feet mỗi giây và thời gian phơi sáng 100 mili giây.

Hình ảnh siêu phổ cung cấp một phương pháp không xâm lấn và độ phân giải cao để thu thập thông tin phổ chi tiết từ trứng ấp. Sự khác biệt phổ về độ hấp thụ hemoglobin trong khoảng 570-580 nanomet giữa phôi sống và chết đã được xác định. Các quả trứng được phân loại không phá hủy với độ chính xác lên đến 90,0% bằng cách sử dụng phân tích phân biệt.

Việc áp dụng thành công phương pháp này có thể nâng cao hiệu quả của nhà ấp trứng, giảm nguy cơ ô nhiễm, tiết kiệm không gian và tối ưu hóa việc sử dụng năng lượng.

3. Học máy trong ước lượng trọng lượng cơ thể gia cầm

Mireia Molins và các đồng nghiệp tại Đại học Bang Pennsylvania, Mỹ, đã chỉ ra rằng việc tối ưu hóa sự phát triển cơ thể ở gà tây là rất quan trọng để đạt được các mục tiêu của ngành gia cầm: giảm thiểu tổn thất gia cầm, duy trì sự đồng nhất của đàn và tăng năng suất thịt với hiệu quả thức ăn cao. Tuy nhiên, việc theo dõi yêu cầu đo trọng lượng cơ thể thường xuyên, điều này tốn kém, cần nhiều lao động và thời gian.

Công nghệ thị giác máy tính và trí tuệ nhân tạo (AI) đã nổi lên như những công cụ mạnh mẽ để dự đoán trọng lượng cơ thể cá nhân trong ngành gia cầm. Một nghiên cứu quan sát dài hạn đã được thực hiện để đánh giá xem thị giác máy tính có thể được sử dụng để ước lượng trọng lượng cơ thể ở gà tây cái trong điều kiện thương mại thực tế hay không.

Hình ảnh màu và độ sâu của 25 con gà tây được ghi lại bằng camera độ sâu với góc nhìn từ trên xuống được lắp đặt trên trần. Thiết lập tương tự cho phép đo lường nhất quán mà không bị cản trở bởi động vật đi qua trước nhau và có khả năng chống lại sự định hướng của động vật so với camera. Gà tây được theo dõi từ 40 đến 106 ngày tuổi.

Các phép đo thủ công về chiều rộng ngực, chiều dài ngực, chiều dài lưng và trọng lượng cơ thể được ghi lại ba lần một tuần. Một mối tương quan 0,98, 0,97, 0,94 và 0,95 được tìm thấy giữa trọng lượng cơ thể và tuổi, chiều rộng ngực, chiều dài lưng và chiều dài ngực tương ứng.

Do chiều dài lưng có mối tương quan 0,97 và 0,95 với chiều rộng ngực và chiều dài ngực, một đánh giá đã được thực hiện về hiệu suất của một mô hình AI dựa trên hồi quy gọi là Gradient Boosting Trees để dự đoán trọng lượng cơ thể chỉ dựa vào tuổi và chiều dài lưng làm đặc điểm đầu vào.

Các chỉ số AI cho việc xác thực đã được tính toán, cho thấy tỷ lệ lỗi căn bậc hai là 9,47%±1,19%, tỷ lệ lỗi trung bình là 7,48%±1,09%, và R-squared là 0,96±0,01. Nhờ vào việc sử dụng camera độ sâu, các đặc điểm ba chiều trên lưng động vật có thể được trích xuất, cung cấp thông tin chi tiết hơn so với chỉ chiều dài lưng. Kết quả sơ bộ về việc phát hiện tự động gia cầm từ hình ảnh bằng cách sử dụng thị giác máy tính cho thấy độ chính xác 0,9 và f1-score là 0,84.

Kết luận

Những tiến bộ trong tự động hóa ngành gia cầm đang mở ra nhiều cơ hội mới cho việc cải thiện sản xuất và quản lý trong chăn nuôi. Từ việc phát hiện tử vong tự động cho đến việc sử dụng hình ảnh siêu phổ và học máy, các công nghệ này không chỉ giúp tăng hiệu quả sản xuất mà còn giảm thiểu rủi ro và tối ưu hóa quy trình chăn nuôi. Việc áp dụng những công nghệ này sẽ là bước tiến quan trọng trong việc nâng cao chất lượng và năng suất của ngành gia cầm trong tương lai.

Nguồn: